Atribusi memberi kredit penjualan kepada interaksi pemasaran menurut aturan tertentu. Incrementality menanyakan berapa hasil tambahan yang terjadi karena iklan dibanding keadaan tanpa iklan. Angka revenue teratribusi tidak otomatis sama dengan revenue incremental.
Pembedaan ini membantu kamu memilih alat pengukuran sesuai keputusan. Laporan atribusi berguna untuk membaca hasil dalam aturan platform. Untuk pertanyaan sebab-akibat, kamu memerlukan pembanding yang memperkirakan apa yang mungkin terjadi tanpa treatment iklan.
Satu purchase dapat memiliki dua penjelasan
Bayangkan pembeli yang sudah berniat memesan lalu melihat iklan sebelum checkout. Aturan atribusi tertentu mungkin memberi kredit pada iklan tersebut. Tetapi dari satu riwayat itu, kita belum tahu apakah pembeli tetap akan memesan tanpa melihat iklan.
Sebaliknya, seseorang dapat dipengaruhi iklan tetapi perjalanan pembeliannya tidak tercatat lengkap pada laporan. Keterbatasan tracking dan perbedaan aturan membuat kredit pemasaran tidak identik dengan seluruh efek bisnis.
Saya akan memisahkan laporan transaksi, laporan atribusi, dan hasil eksperimen. Jika ketiganya berbeda, tugas pertama adalah memahami perbedaannya melalui rekonsiliasi sumber laporan, bukan memilih angka terbesar.
Contoh sederhana dengan kelompok pembanding
Angka berikut merupakan simulasi untuk memahami konsep, bukan hasil studi atau ukuran sampel yang direkomendasikan. Misalkan dua kelompok acak yang sebanding masing-masing berisi 1.000 orang. Kelompok treatment eligible menerima iklan, sedangkan kelompok kontrol tidak menerima treatment iklan yang diuji.
| Kelompok | Jumlah anggota | Pembeli | Proporsi pembeli |
|---|---|---|---|
| Treatment | 1.000 | 200 | 20% |
| Kontrol | 1.000 | 190 | 19% |
Selisih teramati adalah satu percentage point, yaitu 20% dikurangi 19%. Pada ukuran kelompok treatment, selisih itu setara estimasi titik sepuluh pembeli tambahan. Ini tidak berarti kamu dapat menunjuk sepuluh orang tertentu sebagai pembeli incremental.
Angka 200 bukan otomatis seluruhnya hasil tambahan. Sebagian pembelian mungkin juga terjadi tanpa treatment, sebagaimana ditunjukkan kelompok kontrol. Estimasi sepuluh tambahan pun masih mempunyai ketidakpastian dan belum menjadi kesimpulan pasti.
Desain pembanding menentukan arti hasil
Dalam eksperimen, periksa cara penempatan kelompok, siapa yang eligible, apa treatment sebenarnya, outcome yang dihitung, serta potensi kontaminasi. Kelompok kontrol yang ternyata menerima treatment melalui jalur lain dapat mengaburkan perbandingan.
Pertahankan analisis sesuai rancangan. Jangan hanya mengambil orang treatment yang benar-benar mendapat tayangan lalu membandingkannya dengan semua anggota kontrol, tanpa mempertimbangkan seleksi delivery. Penerima exposure dapat berbeda dari yang tidak menerima exposure.
Uji lift dan A/B konfigurasi juga menjawab pertanyaan berbeda. Uji konfigurasi membantu membandingkan pilihan iklan dalam sistem delivery, sedangkan pertanyaan tanpa iklan memerlukan kondisi kontrol yang sesuai. Penjelasannya dilanjutkan pada pemilihan desain eksperimen.
Mengapa before-after belum cukup
Jika revenue naik setelah campaign diluncurkan, beberapa penjelasan masih mungkin: efek iklan, kenaikan permintaan musiman, promosi toko, perubahan harga, channel lain, atau kombinasi semuanya.
Membandingkan bulan tanpa iklan dengan bulan saat iklan berjalan dapat menjadi observasi awal, tetapi bukan isolasi otomatis terhadap efek iklan. Wilayah pembanding juga perlu dirancang hati-hati karena wilayah berbeda dapat memiliki pola permintaan berbeda sebelum tes.
Begitu pula blended ROAS atau saldo rekening. Keduanya dapat membantu membaca kondisi bisnis, tetapi tidak menciptakan pembanding tanpa iklan. Jangan memberi label incremental hanya karena data berasal dari backend.
Sesuaikan ambisi pertanyaan dengan kemampuan uji
Sebelum memilih alat, tulis keputusan yang akan berubah berdasarkan hasil. Misalnya, apakah kamu ingin menilai nilai tambahan channel, membandingkan dua konfigurasi creative, atau menentukan batas spend?
Periksa kelayakan fitur pada akun, kualitas data outcome, volume, durasi konversi, budget serta biaya kesempatan dari kelompok kontrol. Jika sumber daya belum cukup, kamu masih bisa menggunakan laporan operasional dengan batas kesimpulan yang jelas. Jangan mengganti eksperimen yang tidak feasible dengan klaim kausal dari grafik sederhana.
Untuk menilai volume serta budget, gunakan perencanaan biaya tes. Hindari menganggap angka tertentu sebagai jaminan kekuatan statistik.
Buat brief pengukuran satu halaman
Isi brief dengan pertanyaan, treatment, kontrol, unit pembagian, outcome utama, periode, risiko kontaminasi dan keputusan yang akan diambil. Tentukan pula bagaimana kamu akan menangani hasil yang belum meyakinkan.
Output yang baik dapat dibaca orang lain tanpa harus menebak apa arti tambahan. Jika kamu sedang meninjau kenaikan budget, hasil marginal yang teramati tetap berguna, tetapi labeli sebagai perbandingan deskriptif sampai desainnya mendukung sebab-akibat. Pilih artikel lain sesuai kebutuhanmu di topik Meta Ads.
